Einer der Haupttreiber der rasanten Innovationen in der Data Science ist die Verbreitung quelloffener, codezentrierter Tools. Dadurch konnten Data Scientists und Softwareentwickler leistungsfähige Abstraktionen schaffen, mit denen sich Daten extrem einfach analysieren lassen.
So erlauben R-Pakete wie dplyr und tidymodels, Daten zu transformieren und anspruchsvolle Machine-Learning-Modelle mit wenigen Zeilen Code zu bauen. Ähnlich ermöglichen Python-Pakete wie tensorflow und pytorch, mit überschaubarem Aufwand Deep-Learning-Modelle zu entwickeln.
Auch wenn Code-Tools der Datenarbeit gute Dienste geleistet haben, wird die künftige Datenarbeit deutlich breiter aufgestellt sein – mit grafischen Benutzeroberflächen (GUIs), die einer größeren Zielgruppe den Einstieg in Data Science per Point-and-click ermöglichen. Das bedeutet keineswegs das Ende des codenden Data Scientists. Wie in der Industriellen Revolution können sich Coder dadurch auf komplexere Probleme konzentrieren und Interfaces bauen, um Herausforderungen zu lösen, während Fachexpertinnen und -experten die domänenspezifische Arbeit übernehmen. Das sehen wir bereits in unterschiedlichen Bereichen der Datenarbeit: deskriptive, prädiktive und präskriptive Analytik.
Deskriptive Analytik ist dank Business Intelligence für alle zugänglich
Deskriptive Analytik wurde durch Drag-and-drop-Business-Intelligence-(BI)-Tools, die heute allgegenwärtig sind, für ein breites Publikum zugänglich. Man denke nur an die Übernahme von Looker, einem sehr populären BI-Tool, durch Google im Wert von 2,6 Milliarden US-Dollar im letzten Jahr. Ebenfalls im letzten Jahr schloss Salesforce die Übernahme von Tableau, einem weiteren sehr beliebten BI-Tool, ab. Microsoft investiert in sein eigenes Tool, Power BI. (DataCamp bietet Kurse zu Tableau und Power BI an.)
BI-Tools machen die Datenerkundung für alle Kompetenzstufen zugänglich – nicht nur für Advanced-Analytics-Profis. Sie gehören zu den einfachsten Wegen, mit Daten zu arbeiten: Daten an einem Ort zusammenführen, Hebel für Wirkung erkennen, Ergebnisse prognostizieren und vieles mehr.
Wie Drag-and-drop-Oberflächen die Einstiegshürden für prädiktive und präskriptive Analytik senken
Die Demokratisierung der Datenarbeit weitet sich zunehmend auch auf prädiktive und präskriptive Analytik aus. So ist Alteryx ein Unternehmen mit einem Börsenwert von rund 10 Milliarden US-Dollar, das eine Drag-and-drop-Data-Science-Plattform anbietet. Damit können Business-Analystinnen und -Analysten Daten transformieren und Vorhersagemodelle per Drag-and-drop erstellen.
Google investiert massiv in sein AutoML-Tool, das „KI so einfach wie Drag-and-drop“ machen soll. Wir sehen, dass auch Microsoft in diesen Bereich einsteigt:
Oben ist ein Beispiel für ein einfaches Regressionsmodell mit einer Datenpipeline. Du siehst, wie die Daten von Rechteck zu Rechteck fließen: Zuerst werden Daten eingelesen, dann Spalten ausgewählt, die Daten bereinigt und schließlich das Modell trainiert und der Datensatz aufgeteilt.
Es gibt viele Use Cases für Machine Learning per Drag-and-drop. Man kann es auch so formulieren: Welche Personen in einer Organisation möchten ML-Tools nutzen, ohne zu coden? Dein Customer-Success-Team möchte vielleicht die Abwanderung von Kundinnen und Kunden modellieren. Das lässt sich mit automatisierten Drag-and-drop-Tools umsetzen, ohne für jeden neuen Kunden neue Modelle und neuen Code schreiben zu müssen. Ähnlich werden Chief People Officer und HR-Teams vermehrt automatisierte ML-Modelle in Recruiting-Prozessen einsetzen, etwa beim Screening von Lebensläufen (auf mögliche Risiken kommen wir gleich noch). Und dein Marketingteam könnte solche Tools im Funnel nutzen – der sich mit dem Aufkommen von ML für programmatic Ad Buying stark verändert hat. Ein weiteres deutliches Beispiel ist die Optimierung der Lieferkette: Sie kann Kosten im Unternehmen erheblich senken und ist oft ein vergleichsweise schneller Hebel.
Diesen Trend sehen wir auch in komplexen Feldern wie Deep Learning. Lobe ist etwa ein Startup, das Deep Learning für alle zugänglich macht und die Modellerstellung per GUI ermöglicht. Lobe wurde von Microsoft übernommen, noch bevor es die Beta-Phase verließ – ein starkes Signal dafür, wie wichtig GUI-Tools für die Zukunft sind.
Ein weiteres Beispiel ist eine von Google entwickelte Bildsuchmaschine, mit der Ärztinnen und Ärzte Modellvorhersagen erkunden und mit menschlicher Intelligenz weiter verfeinern können. Solche Tools erhöhen die Akzeptanz, indem sie die Black Box öffnen und ML-Modelle gezielt mit menschlichem Urteilsvermögen ergänzen.
Wir werden mehr Drag-and-drop-Oberflächen sehen, die die Einstiegshürden weiter senken. Dadurch können wir besser abwägen, welche Tools wir intern entwickeln und welche wir von Anbietern beziehen wollen.
Algorithmische Marktplätze erlauben Nicht-Codern, Modelle zu kaufen
Es wird immer mehr Marktplätze für solche ML-Produkte geben. Modzy von Booz Allen ist ein Point-and-click-Marktplatz, auf dem du Modelle kaufen kannst, die andere erstellt haben, um sie in deinen Tech-Stack zu integrieren.
Natürlich birgt es Risiken, wenn Nicht-Coder und Nicht-Statistiker diese Tools nutzen. Wichtig ist, dass alle die inhärenten Risiken kennen und wissen, wie man ihnen begegnet. Produktseitig werden Point-and-click-Tools zunehmend Funktionen erhalten, die helfen zu erkennen, wann Ergebnisse verzerrt sind – und dass man sie nicht ungeprüft übernimmt.
Achtung vor der Gefahrenzone von Drag-and-drop-ML
Ein interessantes Lernspiel aus den Mozilla Labs ist „Survival of the Best Fit“ über Bias im Recruiting durch KI. Du spielst eine CEO-Rolle, die versucht, den Einstellungsprozess mit einem automatisierten Tool zu skalieren – mit problematischen Auswirkungen auf die Auswahlpraxis.
Fazit
Wir werden mehr Datenarbeit in GUIs sehen – über Drag-and-drop sowie Point-and-click-Oberflächen. Der Wettbewerb nimmt zu: Große Player wie Google und Microsoft investieren massiv, und da kommt noch viel mehr. Selbst wenn heute viel Data-Science-Arbeit intern passiert, verlagert sich zunehmend mehr zu Anbietern – deshalb braucht es breite Aufklärung über Risiken und Folgen beim Einsatz von KI.
Call to action
Schreib auf, wie viel eurer täglichen Arbeit aktuell über Code läuft. Du kannst das in Personenstunden oder in tatsächlichen Kosten für dein Unternehmen notieren. Berechne anschließend, wie viel in GUIs, Point-and-click- und Drag-and-drop-Oberflächen passiert. Wie wird sich das in den nächsten 24 Monaten verändern?
Erfahre mehr darüber, wie du dein Datenprogramm für die Zukunft der Arbeit aufstellst, im The Definitive Guide to Machine Learning for Business Leaders.
